基于类别可分性准则的金属磁记忆信号小波能量谱特征提取研究

为了解决金属磁记忆信号小波能量谱特征存在的相关性和冗余性问题，利用类别可分性准则，在提取金属磁记忆信号小波能量谱的基础上，将能量谱特征进行变换提取最优特征向量。将能量谱特征向量、最优特征向量和低频特征向量作为支持向量机的特征输入量分别对不同检测区域的金属磁记忆信号进行识别。实验结果表明：最优特征向量能够减小小波能量谱特征的相关性和冗余性，有效提高支持向量机识别的准确率。

核模糊C均值算法的类别间可分性优化

随着的计算能力的不断提高和计算机体系结构的可编程性,将向着多核,众核的异质形核的方向继续发展。针对这一问题,本文对KFCM算法的类别间可分性优化进行了分析,通过对于FCM算法的数据集C划分、FCM算法和HCM算法的理论知识,解释了KFCM算法,对于样本的特征进行优化,将高维特征空间内的数据映射到内核函数中,将样本的有益特征扩大,到达快而准的聚类效果。经过仿真测试显示,KFCM算法模型聚类效果可以准确区分二者。

数据参数影响RCS统计特征数据可分性

雷达采样数据率及统计RCS特征的滑窗参数(滑动步长和窗口长度)需要设定以实现基于RCS统计特征的目标识别。利用类内/类间散布矩阵构造了类别可分性的距离判据,分析了数据率和滑窗参数对不同目标的可分性影响。结果表明:随着数据率提升,目标可分性呈现在低频区域(<5 Hz)快速增长,而在高频区域(>25 Hz)呈现缓慢增长趋于饱和;目标可分性随滑动步长变化不显著;而目标可分性随着窗口长度的增加呈现非线性的快速增长。

超声缺陷回波信号的小波包降噪及特征提取

根据非稳态超声检测信号的特点,将小波包变换用于缺陷信号的降噪及特征提取问题的研究,并利用类别可分性判据和RBF神经网络分别对特征值提取结果进行评价。引入了平均阈值的概念,在此基础上研究了小波包降噪效果。提出了以选取小波包分解频带的能量作为缺陷信号特征值的方法。实际焊接缺陷的实验结果表明,小波包降噪效果明显;在特征数据得以压缩的同时,分类的可分性较高。

基于邻接区域交叠概率的特征选择方法

针对传统特征选择判据计算量大、需要先验知识以及应用效果不佳的缺点,根据分类错误通常发生在类别之间的邻接区域(贝叶斯决策分界面将穿过该邻接区域)的特点,提出基于邻接区域交叠概率的特征选择判据。该判据通过计算案例样本点落在类别邻接区域中的概率来选择特征,具有从样本中能直接计算并且选择出多个特征组合等优点。通过对标准机器学习数据集WINE的实际应用表明,该判据选择出的特征组合的聚类效果明显好于类内类间判据选择出的特征组合。对轴承故障数据进行特征选择时,该判据能提供多种多个特征组合供选择,其选择的垂直和水平振动特征组合符合工程应用的实际需要,远好于类内类间判据选择的特征组合。

基于PSO优化核主元分析的海上风电机组运行工况分类

海上风电机组运行环境复杂多变,对其工况进行分类可以提高机组运行健康状态评价的准确性,为制定合理的运行维护策略提供可靠依据。提出一种基于PSO优化核主元分析(KPCA)的多参数工况分类方法。针对核函数参数难以确定的问题,综合考虑类内散度和类间散度构建优化核参数的适应度函数,应用PSO算法对其进行寻优,将优化后的KPCA用于数据的特征提取,在此基础上采用模糊C-均值聚类(FCM)建立分类模型。通过对UCI数据库中的三组实验数据进行分类验证了该方法的有效性。最后,应用该方法对某海上风电场实测数据进行工况分类,并与PCA+FCM、KPCA+FCM两种方法进行比较。结果表明,提出方法的分类结果优于其他两种,能够得到清晰准确的分类结果,利于分工况建立准确的机组运行健康状态评价模型。

基于分层决策的模拟电路故障诊断技术研究

针对模拟电路可测节点数目有限以及特征矢量对故障诊断的影响,选取其端口电压作为研究对象;首先采用傅里叶变换对电路输出电压进行特征提取,构成样本空间,依据类别可分性判据选择部分特征,指导初级判决过程,完成故障模式的粗分类;对剩余特征采用主元分析方法进行特征压缩,指导下级判决过程,完成故障模式的细分类,从而建立分层决策树,最终实现故障的分离与定位;应用仿真结果表明,此方法提高了诊断效率,具有一定的实用价值。

基于高斯低通滤波的超光谱遥感图像分类研究

在超光谱遥感图像的分类中,图像的类别可分性代表了图像的自然属性并决定了分类器能够达到的最优性能。在研究影响分类效果诸因素的基础上,提出了利用高斯低通滤波提高类别可分性的方法,在假设数据为多元正态分布的基础上,用Bhattacharyya距离衡量滤波前后样本集的类别可分性。在此基础上,构造了分类器,并进行了实际的分类测试。实验结果说明高斯低通滤波器能够提高类别可分性,因而能够提高分类精度。

超声频率一致性分析及其在缺陷分类中的应用

超声检测中,需要根据不同的情况,如试样厚度、分辨率、缺陷深度及方向等而使用不同中心频率的探头。这成为信号自动分类中的一个主要问题。因为大多数模式分类算法与信号的形状密切相关,而信号的形状很大程度上随检测频率的变化而变化。为使分类系统不受检测频率的影响而能识别不同频率的同一类缺陷信号,文中采用了基于时间尺度化的频率一致性分析方法把不同频率的信号映射到同一参考频率。采集了两个焊接缺陷样本库也即尺度化处理样本库和没有尺度化处理样本库,并用类别可分性判据做定量对比。实验结果验证了频率一致性处理方法的有效性,能够消除换能器频率对分类的影响。

特征选择在电子鼻系统阵列优化中的应用

阵列优化是优化电子鼻系统性能的重要方法之一,其通过特征选择来确定阵列中合适的传感器数目和种类,进而优化传感器阵列。特征选择一般有搜索性和非搜索性两类方法。实验采用广义顺序前进算法、标准遗传算法、模拟退火算法和随机搜索算法4种搜索性特征选择算法,实现了可燃性液体检测实验中的阵列优化。比较了这4种算法的搜索策略,同时,还对搜索性特征选择算法中常用的5种类别可分性准则进行了比较。结果表明:广义顺序前进算法在本实验条件下具有较优的搜索效率;而基于类内类间距离的准则J3更能准确反映特征集的类别可分离性。

基于代价敏感学习的不平衡虚假评论处理模型

【目的】增强虚假评论识别任务中模型对文本深层语义信息的学习能力,并解决虚假评论识别任务中存在的严重的数据不平衡问题。【方法】基于数据本身的用户行为特征与文本特征进行类间可分性计算自动学习代价敏感矩阵,增强模型对不平衡数据的学习能力;同时利用BERT在文本编码方面的能力进一步优化模型。【结果】在YelpCHI数据集上进行实验,对比现有先进方法(En-HGAN),本文模型的F1值提升了约18个百分点,AUC值提升了约12个百分点。【局限】未将所提模型应用到更多的研究领域中。【结论】将用户行为特征与评论文本特征看作虚假评论类与真实类之间的特征集合进行类别可分性计算能够有效提高模型对虚假评论识别的性能。